“未來通用人工智能有兩個方向要走”

【文/觀察者網 周毅 編輯 呂棟】

相比於ChatGPT問世時的火爆，大模型“聊天”的魅力似乎正在悄然消退。

在本月最新文章中，網絡分析公司Similarweb表示，隨着新鮮感的消失，ChatGPT的流量正在下降。據初步估計，今年6月ChatGPT網站的全球訪問量下降了9.7%，這是該網站訪問量首次錄得環比下降。在美國市場上，該網站訪問量環比降幅錄得10.3%。

很明顯，“Chat”並不是大模型的全部，只靠寫詩、作畫也無法重構人類社會。

Similarweb文章截圖

不過，自問世以來，大模型“聊天”一直在向垂直領域下沉，不斷重塑着人們的生活。

國際權威期刊《JAMA Internal Medicine》一項研究表明，當需要仔細回答患者提問時，醫生平均回覆長度是52個單詞，聊天機器人是211個單詞。它的回覆不僅內容更多，而且質量更好，更加富有同理心。在評估中，78.6%的人更喜歡聊天機器人的回答，而不是醫生的回答。

將大模型投入產業應用，也正在成為國內外眾多企業的選擇。不久前在上海閉幕的第六屆世界人工智能大會（WAIC）上，京東等不少企業介紹了自己的解決方案和相關思考。圍繞“貼合行業場景”，有人選擇讓通用大模型下沉向行業，也有人選擇直接打造垂直大模型。

頭腦風暴一下：除了更好地理解“場景”，人工智能今後還會往哪些方面發展？

京東探索研究院院長、京東科技智能服務與產品部總裁何曉冬表示，通向真正的人工智能，多模態是必經之路。“人始終是一個核心存在，所有技術最後都要服務人。未來的AI需要通過語言、視覺和語音和人類進行交流，所以未來的AI也必須理解語言、語音。做好多模態，才能更好的服務好人類。”

在當下的競爭環境中，“場景落地”，才是大模型的終極目標。

大模型應用落地，理解場景是關鍵？

今年WAIC最熱門的話題之一，就是如何讓大模型應用落地。

這本身不難理解：國內外大模型不能侷限於“聊天”。基於智能交互，它本身就是一種提升生產效率的工具。任何大模型，未來最終都要落地於具體的行業應用，提高生產力；在大模型競爭中，中國和其他國家相比各有千秋，雖然存在差距，但中國行業多、發展成熟，這或許是一個可以“超車”的機會。

從數據來看，在算力等方面，中國未必就處於劣勢。

中國工程院院士鄔賀銓曾指出，按2022年年底的數據，美國佔全球算力36%，中國佔31%，單看算力總規模，中國與美國確實有差距，但差距並不大；若以GPU和NPU為主的智能算力規模來看，2021年美國智算規模佔全球智算總規模15%，中國佔26%。

但差距依然值得重視，例如深度學習框架還需要經受考驗、繼續打磨；例如生成式AI拓展到產業應用，需要將多個大模型高效融合，由此帶來很多問題；例如大模型需要海量數據訓練，但目前中文可供訓練的語料挖掘還不足；例如大模型訓練所依賴的英偉達A100芯片，被限制向中國出口……中國依然面臨眾多挑戰。

圖源英偉達網站

在新一輪全球人工智能競賽中，大模型本身確實是必啃的“硬仗”。但中國其實有一個出“奇兵”的機會。

數據、算力和“鈔能力”對大模型而言缺一不可，但大模型的發展同樣離不開“場景”。本質上，大模型改變的是人類獲取信息和服務的方式。它不僅需要滿足信息匹配的需求，更要讓AI精準地理解人類的用途，精準地完成人類交付的任務。“精準”，就基於對場景的理解。

在WAIC大會上，京東探索研究院院長、京東科技智能服務與產品部總裁何曉冬表示，伴隨着大模型的出現，世界未來必然會走向智能交互時代，讓機器更好地幫助我們完成專業域、更廣泛的任務。何曉冬表示，訓練好大模型就需要場景，“場景和數據是這個時代訓練大模型的抓手。”

或許這會是中國的機遇所在。

拿工業來説，中國擁有41個工業大類、207個工業中類、666個工業小類，是全世界唯一擁有聯合國產業分類中所列全部工業門類的國家；在互聯網方面，中國有大量電商、社交、搜索領域的企業，擁有成熟經驗和龐大數據，大模型和這些行業、場景的結合，或許會帶來大量機遇。

生產車間一景 圖源新華社

例如電商。網經社此前發佈的《2022年度中國電子商務市場數據報告》顯示，2022年國內網絡零售市場交易規模達137853億元；中國網絡零售用户規模達8.45億人，佔網民整體的79.2%。這個“大場景”下湧現了直播、社交、美妝、母嬰等“子場景”，電商、物流、客服……它們都可能成為大模型應用落地的入口。

理解場景之後，AI的下一站是多模態能力？

圍繞行業場景，一些“解決方案”已經出爐。

據何曉冬介紹，通過5分鐘的形象和數據採集，基於大模型能力，京東可以重構整個數字人形象，並推向應用場景。比如在電商這個場景中。言犀虛擬主播已經在京東上線了4000+品牌直播間，累計帶動8億GMV（商品交易總額）。

不過重視場景應用，或許只是大模型全球競賽的現在，而非將來。

何曉冬表示，人們不要只關注到ChatGPT帶來的語言大模型。實際上，大模型技術在很多其他模態上也在迅速應用起來，比如語音識別和語音合成，比如視覺領域的圖像識別和視頻合成——當然也包括數字人。“數字人既有形象，又有語音，還有手勢，還有語義，還有各種情緒在裏面。”

何曉冬表示，多模態是必經之路，無論是發明神經網絡或者是注意力機制，其實都是基於對人本身學習機制的理解和靈感的激發，從而去引領我們發明一系列模型。有趣的是，今年不少參會企業，似乎都對“數字人”情有獨鍾，由此可見各界對多模態能力的重視。

今年WAIC大會上，騰訊雲MaaS（Model-as-a-Service）一站式服務迎來升級。騰訊雲行業大模型能力將被應用到金融風控、交互翻譯、數智人客服等場景中。通過平台提供的AI生成算法、生成式動作驅動，再結合行業大模型能力，企業可以獲得個性化、專業、逼真的數字員工。數字人，其實就涉及到多模態能力。

《人機共生——大模型時代的十大AI趨勢觀察》報告指出，多模態技術的發展正在助力AI解決更為複雜的問題。擁有圖像和語音的感知、輸入，大模型未來可以基於動作、表情、情感等信息進行分析，提升自己的交互能力和表現能力。目前基於文本的交互，也將走向基於語義的交互，強化對人類情緒的感知和表達。

現場圖

需要承認的是，在多模態等通往未來的賽道上，挑戰依然存在。

ChatGPT-4早已開始接受圖像作為輸入介質，它已經能簡練地指出圖片的違和之處。如下圖所示，當用户提問，“這張圖片有什麼不尋常之處”時，GPT-4簡練地回答出“一名男子正在行駛中的出租車車頂上，使用熨衣板熨燙衣服。”

在今年的WAIC大會上，談及國內外在大模型方面的差距，曠視科技聯合創始人、CTO唐文斌對《科創板日報》表示，不管是基礎語言模型還是多模態模型，國內外都存在一定的距離。“不過，這是可以迎頭趕上的。在應用的探索上，也處於相對初期的狀態。但未來會是繁榮的生態。”

方興未艾，眼下正是國內企業積極作為之時。

在接受觀察者網採訪時，何曉冬表示，未來通用人工智能有兩個方向要走，一個方向是多模態，大模型必須具有視覺能力，未來甚至可以更進一步延伸向嗅覺、觸覺；另外一個方向是走向具身智能，包括機器人、機械臂、無人車等，讓通用人工智能走向物理世界。

本文系觀察者網獨家稿件，未經授權，不得轉載。